Mxnet Windows配置

MXNET Windows 编译安装（Python）

本文只记录Mxnet在windows下的编译安装，更多环境配置请移步官方文档：http://mxnet.readthedocs.io/en/latest/how_to/build.html

编译目标：

• libmxnet.dll

必要条件：

• 支持C++11，g++>=4.8
• BLAS库, 比如 libblas, libblas, openblas intel mkl

可选条件：

• CUDA Toolkit >= v7.0 to run on nvidia GPUs
• Requires GPU with support for Compute Capability >= 2.0
• CUDNN to accelerate the GPU computation (only CUDNN 3 is supported)
• opencv for image augmentation

Steps

首先，强化VS2013，使之能支持C++11特性。

• 下载安装： Visual C++ Compiler Nov 2013 CTP.
• 将安装目录下的文件拷贝至VS2013相应安装目录下，例如：  将C:\Program Files (x86)\Microsoft Visual C++ Compiler Nov 2013 CTP下所有文件拷贝到  C:\Program Files (x86)\Microsoft Visual Studio 12.0\VC 最好将原来的文件备份。

其次，安装第三方库。

包括 OpenCV, CuDNN and OpenBlas(如果已经安装 MKL，则忽略此项).

最后，使用CMake来创建VS工程，CMake需要预先安装。

注意，应该根据自己机器选择是否为Win64，否则配置openCV时，会找不到cuBLAS.

点击configure之后，需要配置openCV、openBLAS和cuDNN路径，按提示next即可。

提示Configure done后，点击Generate生成解决方案。

提示Generate done后，在VS里打开解决方案进行编译。

如果提示opencv2/opencv.hpp找不到，则在项目属性的VC++中，在包含目录添加该文件目录（在opencv安装目录中可找到）即可，类似问题都如此解决。

Python Package Installation

需要 python>=2.7 和 numpy. 在windows命令行中使用pip命令安装numpy即可：

pip install numpy

检验是否安装成功：

python example/image-classification/train_mnist.py

安装（即将所需库文件放到指定位置）：

cd python; 

python setup.py install

或者设置环境变量 PYTHONPATH 为/<RootPathToProject>/mxnet/python

Train MLP on MNIST

现在训练一个MLP来简单了解下训练一个网络的过程以及相关Python接口。

import mxnet as mx
# step 1 配置训练集
train = mx.io.MNISTIter(
    image      = "mnist/train-images-idx3-ubyte",
    label      = "mnist/train-labels-idx1-ubyte",
    batch_size = 128,
    data_shape = (784, ))

# step 2 配置验证集
val =    mx.io.MNISTIter(
    image      = "mnist/t10k-images-idx3-ubyte",
    label      = "mnist/t10k-labels-idx1-ubyte",
    batch_size = 128,
    data_shape = (784, ))

# step 3 配置网络，此处简单的三层
data = mx.symbol.Variable('data')
fc1  = mx.symbol.FullyConnected(data = data, num_hidden=128)
act1 = mx.symbol.Activation(data = fc1, act_type="relu")
fc2  = mx.symbol.FullyConnected(data = act1, num_hidden = 64)
act2 = mx.symbol.Activation(data = fc2, act_type="relu")
fc3  = mx.symbol.FullyConnected(data = act2, num_hidden=10)
mlp  = mx.symbol.SoftmaxOutput(data = fc3, name = 'softmax')

# step 4 前馈网络配置
model = mx.model.FeedForward(
    symbol = mlp,
    num_epoch = 20,
    learning_rate = .1)

# step 5 拟合
model.fit(X = train, eval_data = val)

# step 6 训练完成后，利用训练好的模型进行预测
model.predict(X = val)

填坑~~